图像分割是图像处理和计算机视觉的基础。近二十年来，基于偏微分方程的主动轮廓模型在图像分割领域取得了重大的进步，研究成果可有效应用于医学图像分析、遥感图像处理、机器人视觉、视频跟踪等领域，对推动我国工业的自动化进程、丰富与发展现有图像处理方法有重要的理论与实际意义。本文主要研究了几类比较经典的主动轮廓模型在图像分割中的应用。通过分析这些模型的特点，针对它们存在的缺陷提出一些改进算法。 主动轮廓模型一般采用水平集方法实现，但是传统的水平集方法为了保持数值稳定，必须初始化为符号距离函数，且在演化过程中需要周期性重新初始化。变分无需初始化方法虽然可以避免重新初始化，但是抗噪性能比较差。本文采用二值化与高斯平滑的方法，不但保持了数值稳定，而且提高了抗噪性能。 按图像数据驱动力的不同，一般可以分为基于边界和基于区域的模型。基于边界模型的典型代表是测地线(GAC)模型，但是该模型对弱边界或离散状边界目标难以正确分割。针对这个缺点，本文提出一种基于区域的GAC模型，利用区域统计信息构造符号压力函数来取代边界停止函数，并采用二值化与高斯平滑的方法演化水平集函数，实验表明该方法在效率与分割效果方面都优于原始GAC模型。本文还利用Green公式将基于最大通量几何流的模型转换为最小通量几何流模型。借鉴GGVF模型的思想，对图像的Laplacian进行去噪处理，防止过零点发生偏移，并将处理后的结果应用于最小通量几何流模型，提高了该模型的抗噪性能。 另外，本文简要论述了一些经典的基于区域的模型，如Mumford-Shah模型、CV模型、PS模型、LBF模型等的原理与特性。针对CV模型提出一种效率与性能更优的改进模型，该模型的数据驱动项由CV模型中数据项简化而来。本文还针对LBF模型运算量大的缺陷，利用图像数据与拟和图像数据之间的差异构造能量函数，得到一种效率优于LBF的模型。实验充分验证了本文所提出上述算法的有效性。